Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Intelligens érzékelők és gépi adatfeldolgozás

    A tantárgy angol neve: Intelligent Sensors and Machine Data Processing

    Adatlap utolsó módosítása: 2024. szeptember 1.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar
    BSc, Mérnökinformatikus szak, kötelezően választható specializáció tantárgy
    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VIEEAC07 5 2/2/0/v 5  
    3. A tantárgyfelelős személy és tanszék dr. Hosszú Gábor,
    4. A tantárgy előadója

    Dr. Hosszú Gábor, egyetemi docens, EET

    Dr. Horváth Péter, egyetemi adjunktus, EET

    5. A tantárgy az alábbi témakörök ismeretére épít Nem különbözik az első 4 szemeszter alatt megszerezhető ismeretektől.
    6. Előtanulmányi rend
    Kötelező:
    Szakirany("AMIN22-INTHÁL/HIT", _) VAGY

    Szakirany("AMIN22-INTHÁL/HVT", _) VAGY

    Szakirany("AMIN22-INTHÁL/TMIT", _)

    A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.

    A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.

    7. A tantárgy célkitűzése A tantárgy célja a feldolgozó képességekkel kiegészült okos érzékelők, beavatkozó eszközök és a gépi intelligencia együttműködésének bemutatása; a szenzor végpontok adatfeldolgozó elemeinek és gépi tanulási algoritmusainak ismertetése, telemetrikus alkalmazások, pl. távgyógyászat. A hallgatók megismerhetik a feldolgozó képességekkel kiegészült intelligens szenzorokat, különös tekintettel az adatok gépi tanulással történő feldolgozásának egyes módszereire.
    8. A tantárgy részletes tematikája

    Az előadások részletes tematikája:

    1. Érzékelőkből és beavatkozókból álló okos rendszer ismertetése, amely mért adatokból döntéseket hoz és beavatkozást végez, pl. egyes szenzorok aktivizálása és a mérések gyakoriságának meghatározása. Érzékelők intelligenciájának jellemzői, hitelesítés, önkalibrálás, előfeldolgozás, zavarmentesítés, adaptivitás, rekonfigurálhatóság, mérési stratégia önálló meghatározása.
    2. Hőmérséklet, elmozdulás, gyorsulás, érintés érzékelése. Integrált érzékelők, CMOS képérzékelő. Integrált érzékelő gyártástechnológiája, mikro-elektromechanikai rendszerek (Micro-Electro-Mechanical System, MEMS). Hálózattól független energiaellátás kérdései (akkumulátor, napelem stb.).
    3. Mikromechanikai integrált érzékelők típusai, nyomás- és tapintó-érzékelők, kémiai és orvosbiológiai érzékelők (ISFET, ChemFET), hidak és konzolok segítségével kialakított érzékelők, mikro-fűtőlapokkal megvalósított eszközök.
    4. Hálózatba kapcsolt intelligens szenzorok (azonosításhoz Radio-Frequency Identification címkék stb.), jellemzői (korlátos tápellátás, hálózatkialakítási képesség, gépi tanulási módszerek használata), célja (adatgyűjtés, adatelemzés, döntéshozás és adatmegosztás).
    5. A felhő alapú számítás előnyei (nagy adatmennyiség korlátlan kapacitású távoli szerverre küldése) és hátrányai (időérzékeny adatoknál az átviteli idő nagy lehet a felhő és a hálózat szélén lévő intelligens szenzorok között). A felhő kiterjesztése a hálózat szélére: fog (Cisco) / edge (IBM) / cloudlet számítás, jellemzői (elosztott számítás, mobilitás, csomópontok nagy száma, heterogén vezetéknélküli hálózat).
    6. Szenzor-architektúrák fejlődése, generációk: az egyszerű érzékelőtől a beágyazott processzort tartalmazó intelligens szenzorig; intelligens érzékelők alkalmazásokban. Eszközök kiegészítése feldolgozó képességekkel, időérzékeny adatok helyi feldolgozása és beavatkozók vezérlése.
    7. Érzékelőkből származó adatok elemzése, kiugró értékek eltávolítása, források szelekciója, nagy adatmennyiségek kezelése, mintafelismerés, mért adatok osztályozása, klaszterezés, faktoranalízis, többdimenziós skálázás.
    8. Klaszterezés különböző típusainak részletes ismertetése (hierarchikus vagy nem hierarchikus; kizáró, átfedő vagy fuzzy; teljes vagy részleges stb.). Klaszterek típusai (jól elkülönülő, középpont-alapú, szomszédság-alapú, sűrűség-alapú). Elterjedten használt klaszterezési eljárások (legközelebbi szomszéd, legtávolabbi szomszéd, UPGMA, WPGMA, Ward, K-közép, DBSCAN stb.).
    9. Speciális adatbányászati módszerek az időbeli fejlődést mutató objektumok vizsgálatára: fenogram és kladogram számítása, és ezek alkalmazása érzékelőkből származó adatok elemzésére.
    10. Testen hordozható érzékelőhálózatok (Body Worn Network, BWN), vezetéknélküli szenzorhálózatok és kommunikációs interfészek. Telemetriás rendszerek a távgyógyászatban, a mobiltelefon-hálózatra épülő rendszerek alkalmazása. Járművek hálózata, Internet of Vehicles (IoV), VANET (Vehicular ad hoc network).
    11. Elosztott adatbányászat: térbeli adatbányászathoz szükséges adatok gyűjtésének megkönnyítése, pl. légszennyezés nyomon követésében. Az ilyen típusú hálózatok fő jellemzői (pl. környezetet figyelő közeli érzékelőcsomópontok jellemzően hasonló mért értékei). Az érzékelőmegfigyelések közötti térbeli korrelációból adódó ilyen jellegű adatredundanciából származó igény a hálózaton belüli adataggregálásra.
    12. Intelligens kardiológiai érzékelők, pulzus-, vérnyomás-, ECG-távmérés, anemométerek (légsebességmérő), vér-oximéterek, szívroham felismerés, agyi érkatasztrófa előrejelzés. Esettanulmány: orvoselektronikai adatok elemzése, azok szoftverként való megvalósításának hardver feltételei.
    13. Élő szövetbe implantált érzékelők felépítése, kommunikációs elektronikája és energiaellátási problematikája. Távgyógyászati szenzorhálózatok adatvédelme, személyiségi jogok biztonsága.
    14. Éves anyag áttekintése, kitekintés.

    A gyakorlatok/laborok részletes tematikája:

       1-2. Szenzormérések megtervezése. A jellegtervezéssel (feature engineering) kapcsolatos feladatok.

       3-4. Szenzorok által gyűjtött adatok lehetséges adattípusainak áttekintése, ezzel kapcsolatos feladatok.

       5-6.  Mért adatok vizsgálata hierarchikus klaszterezéssel; dendrogram számítása I.

       7-8. Mért adatok vizsgálata hierarchikus klaszterezéssel; dendrogram számítása II.

     9-10. Mért adatok vizsgálata nem-hierarchikus klaszterezési eljárásokkal, egyszerű gyakorlati feladatok.

    11-12.  Adatok közötti összefüggések feltárása ordinációs módszerekkel (faktoranalízis, főkomponens-analízis, többdimenziós skálázás), összehasonlításuk egyszerű példákon.

    13-14.  Időbeli fejlődést mutató objektumok mért adatainak adatbányászati eszközökkel történő feldolgozása, a fenogram és a kladogram készítésének alapjai.

     

     

    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) Előadás és gyakorlat.
    10. Követelmények Szorgalmi időszakban: Egy zárthelyi, amelynek legalább elégségesre való megírása a félév végi aláírás feltétele.
    Vizsgaidőszakban: Írásbeli vizsga.
    11. Pótlási lehetőségek
    1. A zárthelyi dolgozat a pótlási időszakban első alkalommal díjmentesen pótolható vagy javítható.
    2. Amennyiben az 1. pont szerinti pótlással sem tud a hallgató elégtelentől különböző érdemjegyet szerezni, úgy – szabályzatban meghatározott díj megfizetése mellett – második alkalommal, ismételt kísérletet tehet a sikertelen első pótlás javítására.

    12. Konzultációs lehetőségek Igény szerint, előre egyeztetett időpontban.
    13. Jegyzet, tankönyv, felhasználható irodalom Az előadások diabemutatói a hallgatók számára elektronikus formában elérhetőek.
    Kapcsolódó irodalom:
    • Hosszú Gábor (2005): Az internetes kommunikáció informatikai alapjai, Budapest: Novella Kiadó, 640 oldal, ISBN 963-9442-51-8.
    • Kovács Ferenc (2013): Intelligens érzékelők az orvosbiológiában, Bicske: SZAK Kiadó, 470 oldal, ISBN 978-963-9863-31-6.

    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra56
    Félévközi készülés órákra28
    Felkészülés zárthelyire30
    Házi feladat elkészítése 
    Kijelölt írásos tananyag elsajátítása 
    Vizsgafelkészülés 36
    Összesen 150
    15. A tantárgy tematikáját kidolgozta Dr. Hosszú Gábor, egyetemi docens, EET
    IMSc tematika és módszer Az IMSc programban részt vevő hallgatók számára az előadásokon további elmélyülést biztosító irodalmat ajánlunk.
    IMSc pontozás

    Legfeljebb 25 IMSc pont szerezhető hallgatónként az alábbiak szerint:

    • Szorgalmi időszakban: a tárgy zárthelyije kiegészítő IMSc feladatokat tartalmaz, amelyek megoldásával 12 IMSc pont szerezhető.

    • Vizsgaidőszakban: további 13 IMSc pont szerezhető a vizsgán emelt szintű feladatok megoldásával.

    Az IMSc feladatok értékelése csak abban az esetben történik meg, ha az adott számonkérésen a jeles szintet elérte a hallgató. Az IMSc feladatra részpontszám is szerezhető.

    Az IMSc pontok megszerzése az IMSc programban részt nem vevő hallgatók számára is biztosított.